電力系統(tǒng)短期負荷智能化預測方法研究.pdf

1、電力系統(tǒng)短期負荷預測是電力系統(tǒng)調度運營部門的一項重要的日常工作，預測精度的高低直接影響到電力系統(tǒng)運行的安全性、經(jīng)濟性和供電質量。由于電力負荷本身具有一定的不確定性、非線性、隨機性等內在特點，負荷預測一直是學術研究的前沿與熱點問題。隨著電力市場的發(fā)展，負荷變化規(guī)律的更加復雜，而傳統(tǒng)的單一預測方法自適應能力較差，致使負荷預測的復雜性與求解方法的局限性之間的矛盾更加突出，預測不能得到滿意的結果。因此，智能綜合預測法的研究成為當今負荷預測的研究

2、重點之一。
　　 本文針對電力負荷自身特點，將預測日分為工作同和節(jié)假日不同類型，考慮氣象，實時電價等影響因素，引入多種智能優(yōu)化計算方法以及綜合預測技術，對電力負荷預測的理論與方法進行深入研究，為電力系統(tǒng)運行管理提供科學的決策依據(jù)。主要研究工作和創(chuàng)新性成果如下：
　　 (1)分析了負荷預測中的影響因素和導致誤差的原因，針對歷史樣本中的壞數(shù)據(jù)，提出了基于核函數(shù)的加權模糊C均值聚類的改進算法—WKFCM，該算法采用一個核誘導距

3、離的簡單兩項和代替了復雜的歐氏距離作為聚類目標公式的不相似性測度函數(shù)，以減小計算復雜度。在對數(shù)據(jù)進行聚類之后，提出采用使用收斂速度快、模式分類能力強的超圓神經(jīng)元網(wǎng)絡建立壞數(shù)據(jù)辨識修正模型，提高了壞數(shù)據(jù)處理的效果。
　　 (2)對于工作日的負荷預測，提出了基于自適應策略的改進免疫優(yōu)化的激勵函數(shù)可調的BP學習算法負荷預測模型。算例證明，本文提出的基于自適應策略的改進免疫算法和激勵函數(shù)可調的BP優(yōu)化學習算法比基于混沌優(yōu)化的激勵函數(shù)的B

4、P算法更準確可靠，更具實用價值。
　　 (3)對于節(jié)假日的負荷預測，文中將節(jié)假日分為周末休息日和重大節(jié)假日兩類。對于周末休息日，提出基于免疫粒子群優(yōu)化的最小二乘支持向量機(IPSO-LS-SVM)預測模型。把免疫系統(tǒng)的抗體多樣性保持機制引入到粒子群優(yōu)化算法中，在保留高適應度粒子的同時，確保了粒子的多樣性，從而提高了收斂性能。針對元旦、春節(jié)、五一和國慶等節(jié)假日負荷預測時間跨度長、可參考的歷史數(shù)據(jù)量少、受氣象因素影響更為突出的特點，

5、提出采用灰色-馬爾可夫鏈模型進行負荷預測，然后用綜合影響因素匹配模型對預測結果進行修正，提高了預測的精度。
　　 (4)對實時電價與短期負荷的關系進行了相關分析，提出了粒子群算法優(yōu)化的改進廣義回歸神經(jīng)網(wǎng)絡(GRNN-PSO)與自適應神經(jīng)模糊系統(tǒng)(ANFIS)的綜合預測方法，該方法充分利用神經(jīng)網(wǎng)絡的自學習和非線性映射能力。首先利用粒子群算法優(yōu)化廣義回歸神經(jīng)網(wǎng)絡算法(GRNN-PSO)，然后應用ANFIS系統(tǒng)對GRNN-PSO預測結